每秒解析千兆字节的JSON解析器开源，秒杀一大波解析器！

近日，GitHub开源了一JSON解析器simdjson，通过与其他常用解析器的对比实验，结果显示，simdjson的解析速度达到2.2GB/s，远远秒杀其他解析器，在下文中，我们将为大家详细介绍simdjson。以下全文为simdjson在GitHub上的文档。

JSON文档在互联网上无处不在，服务器花费大量时间来解析这些文档。我们希望在进行完全验证（包括字符编码）的同时尽可能使用常用的SIMD指令来加速JSON的解析。

一些性能结果

相比最先进的解析器（如RapidJSON），我们可能使用四分之一或更少的指令，也只有sajson的一半。据我们所知，simdjson是第一个在商用处理器上以每秒千兆字节速度运行的完全验证JSON解析器。

在Skylake处理器上，各种解析器解析twitter.json文件的速度（以GB/s为单位）如下所示。

基本要求

通过Visual Studio 2017或更高版本支持Linux、macOS以及Windows等平台；
带有AVX2的处理器；
支持最近的C++编译器（例如，GNU GCC或LLVM CLANG或Visual Studio 2017），我们假设是C++ 17，GNU GCC 7或更高版本，或者LLVM的clang 6或更高版本；
提供一些基准测试脚本，可以是bash和其他常用的实用命令程序，但是是可选的。

许可

代码采用Apache License 2.0许可。

在Windows下，我们使用windows/dirent_portable.h文件（在我们的库代码之外）构建了一些工具：基于自由的MIT许可。

代码示例

#include \u0026quot;simdjson/jsonparser.h\u0026quot;/...const char * filename = ...  use whatever means you want to get a string of your JSON documentstd::string_view p = get_corpus(filename);ParsedJson pj;pj.allocateCapacity(p.size()); // allocate memory for parsing up to p.size() bytesbool is_ok = json_parse(p, pj); // do the parsing, return false on error// parsing is done!// You can safely delete the string contentfree((void*)p.data());// the ParsedJson document can be used here// js can be reused with other json_parse calls.

如果你不介意为每个新的JSON文档分配内存，也可以使用更简单的API：

#include \u0026quot;simdjson/jsonparser.h\u0026quot;/...const char * filename = ... //std::string_view p = get_corpus(filename);ParsedJson pj = build_parsed_json(p); // do the parsing// you no longer need p at this point, can do aligned_free((void*)p.data())if( ! pj.isValid() ) {    // something went wrong}

用法

简单的头文件

头文件可以看一下代码库的“singleheader”，用法可以看一下“amalgamation_demo.cpp”文件。这里不要求使用特定的构建系统：只需要将文件复制到项目中的路径中即可。然后，你就可以包含它们：

#include \u0026lt;iostream\u0026gt;#include \u0026quot;simdjson.h\u0026quot;#include \u0026quot;simdjson.cpp\u0026quot;int main(int argc, char *argv[]) {  const char * filename = argv[1];   std::string_view p = get_corpus(filename);  ParsedJson pj = build_parsed_json(p); // do the parsing  if( ! pj.isValid() ) {    std::cout \u0026lt;\u0026lt; \u0026quot;not valid\u0026quot; \u0026lt;\u0026lt; std::endl;  } else {    std::cout \u0026lt;\u0026lt; \u0026quot;valid\u0026quot; \u0026lt;\u0026lt; std::endl;  }  return EXIT_SUCCESS;}

注意：在某些环境中，可能需要预编译simdjson.cpp，而不是包含它。

在Linux或macOS等平台上使用旧版Makefile

要求：最近的clang（或gcc）和make。我们建议至少使用GNU GCC/G ++ 7或LLVM clang 6，Linux或macOS系统。

测试：

makemake test

运行基准测试：

make parse./parse jsonexamples/twitter.json

在Linux上，parse命令提供了性能计数器的详细分析。

运行其他作为比较的基准测试（使用其他解析器）：

make benchmark

使用Linux或macOS等平台上的CMake

要求：需要最新版本的cmake，在macOS上，安装cmake的最简单方法可能是使用brew。

brew install cmake

你需要一个像clang或gcc这样的新版编译器。我们建议至少使用GNU GCC/G ++ 7或LLVM clang 6。例如，你可以使用brew安装最新的编译器：

brew install gcc@8

可选：你需要通过设置CC和CXX变量告诉cmake你希望使用哪个编译器。在bash中，你可以使用export CC = gcc-7和export CXX = g+±7等命令。

构建：在项目代码库中执行以下命令：

mkdir buildcd buildcmake ..makemake test

CMake将会构建出一个库。默认情况下，它构建的是一个共享库（例如，Linux上的libsimdjson.so）。

你可以构建一个静态库：

mkdir buildstaticcd buildstaticcmake -DSIMDJSON_BUILD_STATIC=ON ..make make test

在某些情况下，你可能希望指定编译器，尤其是当系统默认编译器太旧的情况下。你可以按以下步骤操作：

brew install gcc@8mkdir buildcd buildexport CXX=g++-8 CC=gcc-8cmake ..makemake test

通过Visual Studio在Windows上使用CMake

我们假设你拥有一台至少装有Visual Studio 2017的普通Windows PC，并支持AVX2的x64处理器（2013 Haswell或更高版本）。

从GitHub获取simdjson代码，例如，使用GitHub Desktop克隆它。
安装CMake。在安装时，请确保可以从命令行使用cmake。请选择最新版本的cmake。
在simdjson中创建一个子目录，例如VisualStudio。
在shell中转到这个新创建的目录。
在shell中键入cmake -DCMAKE_GENERATOR_PLATFORM=x64 …（或者，如果要构建DLL，可以使用命令行cmake -DCMAKE_GENERATOR_PLATFORM=x64 -DSIMDJSON_BUILD_STATIC=OFF …）。
最后一个命令在新创建的目录（例如simdjson.sln）中创建了一个Visual Studio解决方案文件。在Visual Studio中打开这个文件。你现在应该能够构建项目并运行测试。例如，在“Solution Explorer”窗口中，右键单击“ALL_BUILD”，并选择“Build”。要测试代码，仍然在Solution Explorer窗口中，选择RUN_TESTS，再选择Build。

工具

json2json mydoc.json解析文档，构造模型，然后将结果输出到标准输出。
json2json -d mydoc.json解析文档，构造模型，然后将模型输出到标准输出。格式在随附的文件tape.md中有描述。
minify mydoc.json缩小JSON文档，将结果输出到标准输出。缩小意味着删除不必要的空格。

范围

我们提供了一个非常快的解析器。它根据各种规格对输入进行完全的验证。解析器会构建一个不可变（只读）的DOM（文档对象模型），供后续访问。

为了简化工程，我们做了一些假设。

支持UTF-8（以及ASCII），没有别的（没有Latin，没有UTF-16）。我们不认为这是一个真正的限制，因为我们不认为会有哪个严肃的应用程序需要在没有ASCII或UTF-8编码的情况下处理JSON数据。
我们将字符串存储为以NULL作为终止符的C字符串。因此，我们假设字符串中不包含NULL字符。
我们假设支持AVX2，这在AMD和英特尔生产的所有最新主流x86处理器中都可用。不支持非x86处理器，尽管我们可以支持。我们计划支持ARM处理器。
如果发生故障，我们只会报告故障，而不会指出问题的性质。
在规范允许的情况下，我们允许对象内存在重复的key。
性能针对跨越几千字节到几兆字节的JSON文档进行了优化：解析很多小型JSON文档和一个大JSON文档的性能问题是不一样的。

我们的目标不是要提供通用的JSON库。像RapidJSON这样的库不仅提供了解析功能，它还可以用来生成JSON，并提供了各种其他方便的功能。我们只解析文档。

特性

不需改输入的字符串。（像sajson和RapidJSON这样的解析器使用输入字符串作为缓冲区。）
将整数和浮点数解析为单独的类型，这样可以支持[-9223372036854775808,9223372036854775808]区间的64位整数，就像Java的long或C/C++的long long。在区分整数和浮点数的解析器中，并非所有解析器都支持64位整数。（例如，sajson不支持包含大于或等于2147483648整数的JSON文件。FreeJSON将长整数解析为浮点数。）当我们无法将整数表示为带符号的64位值时，我们就拒绝解析JSON文档。
在解析过程中进行完整的UTF-8验证。（像fastjson、gason和dropbox json11这样的解析器不会进行UTF-8验证。）
完全验证数字。（像gason和ultranjson这样的解析器会接受[0e+]这样的数字。）
验证字符串内容中的未转义字符。（像fastjson和ultrajson这样的解析器接受字符串中未转义的换行符和制表符。）

架构

解析器分三个阶段：

阶段1，（查找标记）快速标识结构元素、字符串等。我们在这个阶段验证UTF-8编码。
阶段2，（结构构建）构建排序的“树”（物化为磁带），以方便访问数据。我们在这个阶段解析字符串和数字。

访问已解析的文档

以下是将解析后的JSON转储回字符串的代码示例：

ParsedJson::iterator pjh(pj);    if (!pjh.isOk()) {      std::cerr \u0026lt;\u0026lt; \u0026quot; Could not iterate parsed result. \u0026quot; \u0026lt;\u0026lt; std::endl;      return EXIT_FAILURE;    }    compute_dump(pj);    //    // where compute_dump is :void compute_dump(ParsedJson::iterator \u0026amp;pjh) {  if (pjh.is_object()) {    std::cout \u0026lt;\u0026lt; \u0026quot;{\u0026quot;;    if (pjh.down()) {      pjh.print(std::cout); // must be a string      std::cout \u0026lt;\u0026lt; \u0026quot;:\u0026quot;;      pjh.next();      compute_dump(pjh); // let us recurse      while (pjh.next()) {        std::cout \u0026lt;\u0026lt; \u0026quot;,\u0026quot;;        pjh.print(std::cout);        std::cout \u0026lt;\u0026lt; \u0026quot;:\u0026quot;;        pjh.next();        compute_dump(pjh); // let us recurse      }      pjh.up();    }    std::cout \u0026lt;\u0026lt; \u0026quot;}\u0026quot;;  } else if (pjh.is_array()) {    std::cout \u0026lt;\u0026lt; \u0026quot;[\u0026quot;;    if (pjh.down()) {      compute_dump(pjh); // let us recurse      while (pjh.next()) {        std::cout \u0026lt;\u0026lt; \u0026quot;,\u0026quot;;        compute_dump(pjh); // let us recurse      }      pjh.up();    }    std::cout \u0026lt;\u0026lt; \u0026quot;]\u0026quot;;  } else {    pjh.print(std::cout); // just print the lone value  }}

下面的函数将找出所有的user.id整数：

void simdjson_traverse(std::vector\u0026lt;int64_t\u0026gt; \u0026amp;answer, ParsedJson::iterator \u0026amp;i) {  switch (i.get_type()) {  case '{':    if (i.down()) {      do {        bool founduser = equals(i.get_string(), \u0026quot;user\u0026quot;);        i.next(); // move to value        if (i.is_object()) {          if (founduser \u0026amp;\u0026amp; i.move_to_key(\u0026quot;id\u0026quot;)) {            if (i.is_integer()) {              answer.push_back(i.get_integer());            }            i.up();          }          simdjson_traverse(answer, i);        } else if (i.is_array()) {          simdjson_traverse(answer, i);        }      } while (i.next());      i.up();    }    break;  case '[':    if (i.down()) {      do {        if (i.is_object_or_array()) {          simdjson_traverse(answer, i);        }      } while (i.next());      i.up();    }    break;  case 'l':  case 'd':  case 'n':  case 't':  case 'f':  default:    break;  }}

深度比较

如果你想了解各种解析器如何验证给定的JSON文件：

make allparserscheckfile./allparserscheckfile myfile.json

性能比较：

make parsingcompetition./parsingcompetition myfile.json

更广泛的比较：

make allparsingcompetition./allparsingcompetition myfile.json

英文原文：https://github.com/lemire/simdjson